Clusterización Turismo en México 1995-2023
Antonio Díaz A00837259
2025-08-19
Paso 1. Obtener los datos
df <- fread("/Users/antoniodiaz/Desktop/MODULO2/turismo_mexico_2019_2023.csv")
# Ver datos
print(df)## Año Visitantes_internacionales Turistas_internacionales
## <int> <int> <int>
## 1: 1995 8233000 2516000
## 2: 1996 8692270 2219270
## 3: 1997 8635667 2297667
## 4: 1998 8961106 2172396
## 5: 1999 9019718 1771718
## 6: 2000 105673370 20641370
## 7: 2001 100718403 19810459
## 8: 2002 100153185 19666677
## 9: 2003 92329842 18665384
## 10: 2004 99249706 20617748
## 11: 2005 103146067 21914917
## 12: 2006 97700995 21352605
## 13: 2007 93582018 21605754
## 14: 2008 92947651 22930584
## 15: 2009 88044044 22346260
## 16: 2010 81953293 23289749
## 17: 2011 75731791 23403263
## 18: 2012 76748672 23402545
## 19: 2013 78100172 24150514
## 20: 2014 81042075 29345610
## 21: 2015 87128633 32093324
## 22: 2016 94853116 35079365
## 23: 2017 99349286 39290943
## 24: 2018 96497026 41312720
## 25: 2019 97406037 45024453
## 26: 2020 51128042 24283536
## 27: 2021 55301421 31860392
## 28: 2022 65994498 38325550
## 29: 2023 74817746 41949428
## Año Visitantes_internacionales Turistas_internacionales
## Excursionistas_internacionales
## <int>
## 1: 5717000
## 2: 6473000
## 3: 6338000
## 4: 6788710
## 5: 7248000
## 6: 85032000
## 7: 80907944
## 8: 80486508
## 9: 73664458
## 10: 78631958
## 11: 81231150
## 12: 76348390
## 13: 71976264
## 14: 70017066
## 15: 65697784
## 16: 58663544
## 17: 52328528
## 18: 53346127
## 19: 53949658
## 20: 51696465
## 21: 55035309
## 22: 59773751
## 23: 60058343
## 24: 55184306
## 25: 52381584
## 26: 26844506
## 27: 23441029
## 28: 27668948
## 29: 32868318
## Excursionistas_internacionalesPaso 2. Preparar los datos
# Quitamos la columna Año
df_cluster <- df[, -c("Año")]
# Escalamos los datos
df_scaled <- scale(df_cluster)Paso 3. Determinar número de clusters
fviz_nbclust(df_scaled, kmeans, method = "wss")
Paso 4. Determinar número de clusters
set.seed(123) # semilla para reproducibilidad
km <- kmeans(df_scaled, centers = 3, nstart = 25)
# Añadir columna de cluster al dataset original
df$Cluster <- km$cluster
# Mostrar resultados
print(df)## Año Visitantes_internacionales Turistas_internacionales
## <int> <int> <int>
## 1: 1995 8233000 2516000
## 2: 1996 8692270 2219270
## 3: 1997 8635667 2297667
## 4: 1998 8961106 2172396
## 5: 1999 9019718 1771718
## 6: 2000 105673370 20641370
## 7: 2001 100718403 19810459
## 8: 2002 100153185 19666677
## 9: 2003 92329842 18665384
## 10: 2004 99249706 20617748
## 11: 2005 103146067 21914917
## 12: 2006 97700995 21352605
## 13: 2007 93582018 21605754
## 14: 2008 92947651 22930584
## 15: 2009 88044044 22346260
## 16: 2010 81953293 23289749
## 17: 2011 75731791 23403263
## 18: 2012 76748672 23402545
## 19: 2013 78100172 24150514
## 20: 2014 81042075 29345610
## 21: 2015 87128633 32093324
## 22: 2016 94853116 35079365
## 23: 2017 99349286 39290943
## 24: 2018 96497026 41312720
## 25: 2019 97406037 45024453
## 26: 2020 51128042 24283536
## 27: 2021 55301421 31860392
## 28: 2022 65994498 38325550
## 29: 2023 74817746 41949428
## Año Visitantes_internacionales Turistas_internacionales
## Excursionistas_internacionales Cluster
## <int> <int>
## 1: 5717000 1
## 2: 6473000 1
## 3: 6338000 1
## 4: 6788710 1
## 5: 7248000 1
## 6: 85032000 2
## 7: 80907944 2
## 8: 80486508 2
## 9: 73664458 2
## 10: 78631958 2
## 11: 81231150 2
## 12: 76348390 2
## 13: 71976264 2
## 14: 70017066 2
## 15: 65697784 2
## 16: 58663544 2
## 17: 52328528 2
## 18: 53346127 2
## 19: 53949658 2
## 20: 51696465 3
## 21: 55035309 3
## 22: 59773751 3
## 23: 60058343 3
## 24: 55184306 3
## 25: 52381584 3
## 26: 26844506 3
## 27: 23441029 3
## 28: 27668948 3
## 29: 32868318 3
## Excursionistas_internacionales Cluster# Revisar tamaño de cada cluster
table(df$Cluster)##
## 1 2 3
## 5 14 10# Revisar centroides de cada cluster
km$centers## Visitantes_internacionales Turistas_internacionales
## 1 -1.9675265 -1.7061757
## 2 0.5554222 -0.1232594
## 3 0.2061722 1.0256510
## Excursionistas_internacionales
## 1 -1.6760597
## 2 0.7581984
## 3 -0.2234480Paso 5. Visualización de los clusters
fviz_cluster(km,
data = df_scaled,
geom = "point",
ellipse.type = "convex",
ggtheme = theme_minimal(),
main = "Clusters de Turismo Internacional en México (1995–2023)")
Paso 6: Conclusión
El análisis de clusterización de los años 1995–2023 en el turismo internacional de México permitió identificar tres clusters:
Cluster 1: Años de crisis turística (como 2009 y 2020), que fueron por caídas fuertes en visitantes y excursionistas.
Cluster 2: Años donde vinieron muchos visitantes de paso (excursionistas), pero menos turistas que se quedaran varios días.
Cluster 3: Años buenos, donde llegaron muchos turistas internacionales que se quedaban varios días, época de auge turístico.
Estos resultados muestran cómo el turismo en México ha atravesado épocas de caída, recuperación y crecimiento sostenido, reflejando el impacto de factores externos (crisis económicas, pandemia) y el fortalecimiento de México como destino internacional.
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